or
Questo esercizio fa parte del corso
Fai fatica a capire quale dei modelli che hai creato sia il migliore per il tuo problema? Lascia perdere: usali tutti! In questo capitolo imparerai a combinare più modelli in uno solo usando "Voting" e "Averaging". Li userai per prevedere le valutazioni delle app sul Google Play Store, se un Pokémon è leggendario oppure no, e quali personaggi moriranno in Game of Thrones!
Esercizio attuale
Il bagging è il metodo di ensemble alla base di potenti algoritmi di machine learning come le random forest. In questo capitolo imparerai la teoria dietro questa tecnica e costruirai i tuoi modelli di bagging con scikit-learn.
Il boosting è una classe di algoritmi di ensemble che include modelli pluripremiati come AdaBoost. In questo capitolo approfondirai questo modello vincente e lo userai per prevedere gli incassi di film premiati! Imparerai anche algoritmi di gradient boosting come CatBoost e XGBoost.
Preparati a vedere come si sovrappongono le cose! In questo capitolo finale imparerai il metodo di ensemble stacking. Vedrai come implementarlo con scikit-learn e con la libreria mlxtend! Applicherai lo stacking per prevedere la commestibilità dei funghi del Nord America e tornerai a lavorare sulle valutazioni delle app Google con questo approccio più avanzato.